Table of Contents

Verständnis Propensity Score Matching in der psychologischen Forschung

In der psychologischen Forschung dienen Beobachtungsstudien als wesentliche Werkzeuge, um menschliches Verhalten, mentale Prozesse und die komplexen Interaktionen zu verstehen, die psychologische Ergebnisse beeinflussen. Im Gegensatz zu randomisierten kontrollierten Studien (RCTs), die oft als Goldstandard für die Etablierung kausaler Beziehungen angesehen werden, ermöglichen Beobachtungsstudien den Forschern, Phänomene zu untersuchen, die unethisch, unpraktisch oder unmöglich wären, durch experimentelle Manipulation zu untersuchen. Diese Studien stehen jedoch oft vor einer erheblichen Herausforderung: Verzerrungen, die durch verwirrende Variablen eingeführt werden.

Propensity Score Matching (PSM) ist eine statistische Matching-Technik, die versucht, die Wirkung einer Behandlung, Politik oder anderer Intervention zu schätzen, indem die Kovariaten, die den Erhalt der Behandlung vorhersagen, berücksichtigt werden. Diese leistungsstarke Methodik hat in mehreren Disziplinen, einschließlich Psychologie, Medizin, Wirtschaft und Sozialwissenschaften, erhebliche Zugkraft gewonnen, da Forscher robustere Methoden suchen, um kausale Rückschlüsse auf nicht-experimentelle Daten zu ziehen.

Paul R. Rosenbaum und Donald Rubin führten die Technik 1983 ein und definierten den Neigungs-Score als die bedingte Wahrscheinlichkeit, dass eine Einheit (z. B. Person, Klassenzimmer, Schule) der Behandlung zugewiesen wird, angesichts einer Reihe von beobachteten Kovariaten. Seit ihrer Einführung ist PSM zu einem der am weitesten verbreiteten Ansätze für die Behandlung von Konfusionen in der Beobachtungsforschung geworden, was Psychologen einen systematischen Weg bietet, um die Bedingungen von randomisierten Experimenten zu approximieren, wenn eine Randomisierung nicht möglich ist.

Die Herausforderung der Verwechslung in Beobachtungsstudien

Verwirrendes Verhalten kann auftreten, wenn es Ungleichgewichte in den Baseline-Kovariaten gibt, die das Ergebnis von Interesse beeinflussen und eine große Bedrohung für die Gültigkeit von Behandlungseffektschätzungen in nicht-experimentellen Studien darstellen.In der psychologischen Forschung können verwirrende Variablen viele Formen annehmen - demografische Merkmale, sozioökonomischer Status, bereits bestehende psychische Erkrankungen, Persönlichkeitsmerkmale, Umweltfaktoren und unzählige andere Variablen, die sowohl die Behandlungsauswahl als auch die Ergebnisse beeinflussen könnten.

Die Möglichkeit einer Verzerrung entsteht, weil ein Unterschied im Behandlungsergebnis (wie der durchschnittliche Behandlungseffekt) zwischen behandelten und unbehandelten Gruppen durch einen Faktor verursacht werden kann, der die Behandlung und nicht die Behandlung selbst vorhersagt. z. B. wenn man die Wirksamkeit einer psychologischen Intervention bei Depressionen untersucht, können sich Personen, die eine Behandlung suchen, systematisch von denen unterscheiden, die ihre Genesungskurve nicht beeinflussen - wie Motivation, soziale Unterstützung, Schwere der Symptome oder Zugang zu Ressourcen.

Verwirrende in Studien von Medizinprodukten können aus einer Vielzahl von verschiedenen soziomedizinischen Prozessen entstehen, wobei die häufigste Form aus guter medizinischer Praxis resultiert, Ärzte Medikamente verschreiben und Verfahren bei Patienten durchführen, die am ehesten davon profitieren, was zu einer Verzerrung führt, die als Verwirrung durch Indikation bekannt ist.

Warum traditionelle Methoden zu kurz kommen

In der Vergangenheit haben sich angewandte Forscher auf die Verwendung einer Regressionsanpassung gestützt, um Unterschiede bei den gemessenen Ausgangseigenschaften zwischen behandelten und unbehandelten Probanden zu berücksichtigen. Während die multivariable Regression ein wertvolles Werkzeug bleibt, hat sie wichtige Einschränkungen. Wenn zu viele Kovariaten für die Anpassung verwendet werden oder die Anzahl der Ergebnisereignisse zu gering ist, kann die Gültigkeit multivariabler Modelle beeinträchtigt werden, wobei eine Faustregel nahelegt, dass es mindestens 10 Ergebnisereignisse für jede in einem multivariablen Modell enthaltene Kovariate geben sollte, um eine Überanpassung zu verhindern.

Darüber hinaus können traditionelle Regressionsansätze wichtige Probleme mit der Datenstruktur verschleiern, wie etwa die fehlende Überlappung zwischen Behandlungs- und Kontrollgruppen bei Schlüsselkovariaten.

Was ist Propensity Score Matching?

Der Neigungs-Score ist die Wahrscheinlichkeit der Behandlungszuweisung, die von den beobachteten Basismerkmalen abhängt.Anstatt zu versuchen, Individuen auf mehreren Kovariaten gleichzeitig zu vergleichen - was mit zunehmender Anzahl von Kovariaten immer schwieriger wird - kondensiert PSM alle relevanten Basisinformationen in einem einzigen Score, der die Wahrscheinlichkeit einer Behandlung darstellt.

Der Propensity-Score ermöglicht es, eine Beobachtungsstudie (nicht randomisiert) so zu entwerfen und zu analysieren, dass sie einige der besonderen Merkmale einer randomisierten kontrollierten Studie nachahmt. Durch die Abstimmung von Teilnehmern mit ähnlichen Propensity-Scores, aber unterschiedlichen Behandlungszuständen, schaffen Forscher Gruppen, die auf beobachteten Kovariaten ausgeglichen sind, wodurch verwirrende Verzerrungen reduziert werden.

Theoretische Stiftung

Die Eleganz des Neigungs-Scores liegt in seiner Fähigkeit, ein Gleichgewicht über mehrere Dimensionen gleichzeitig zu erreichen, indem eine Stichprobe von Einheiten erstellt wird, die die Behandlung erhalten haben, die bei allen beobachteten Kovariaten vergleichbar ist.

Die "Neigung" beschreibt, wie wahrscheinlich es ist, dass eine Einheit aufgrund ihrer Kovariatwerte behandelt wurde, je stärker die Verwechslung von Behandlung und Kovariaten und damit je stärker die Voreingenommenheit bei der Analyse des naiven Behandlungseffekts ist, desto besser können die Kovariaten vorhersagen, ob eine Einheit behandelt wird oder nicht. Dieser Zusammenhang zwischen den Propensitätswerten und der Verwechslung macht PSM besonders wertvoll, wenn die Behandlungsauswahl sehr nicht-zufällig ist.

Umfassende Schritte bei der Implementierung von Propensity Score Matching

Die Umsetzung von PSM in der psychologischen Forschung erfordert eine sorgfältige Aufmerksamkeit auf mehrere Phasen, von anfänglichen Designüberlegungen bis hin zur endgültigen Analyse. Jeder Schritt beinhaltet wichtige methodische Entscheidungen, die die Validität und Interpretierbarkeit der Ergebnisse erheblich beeinflussen können.

Schritt 1: Auswahl von Kovariaten für das Propensity Score Modell

Der erste Schritt in der PSM-Analyse besteht darin, Kovariaten auszuwählen, die die Ergebnisse beeinflussen könnten, wobei Kovariaten speziell das Ergebnis und nicht die Wahl der Behandlung beeinflussen müssen.

Idealerweise sollten die Beziehungen zwischen Behandlung, Kovariaten und Ergebnis a priori auf der Grundlage von Fachwissen und klinischer Erfahrung bestimmt werden, obwohl empirische Beweise verwendet werden können, um bereits vorhandenes Wissen zu erweitern Rein datengetriebene Ansätze zur variablen Selektion, wie z. B. schrittweise Regression, werden im Allgemeinen abgeraten, da sie Variablen enthalten können, die mit der Behandlung zusammenhängen, aber nicht mit den Ergebnissen, was möglicherweise die Verzerrung verstärkt und nicht reduziert.

In der psychologischen Forschung können relevante Kovariaten demografische Variablen (Alter, Geschlecht, ethnische Zugehörigkeit, sozioökonomischer Status), die Schwere der Grundsymptome, komorbide Erkrankungen, frühere Behandlungsgeschichte, soziale Unterstützungsnetzwerke und andere Faktoren umfassen, die bekanntermaßen sowohl die Behandlungsauswahl als auch die Behandlungsergebnisse beeinflussen.

Schritt 2: Schätzung der Propensity Scores

Die logistische Regression ist die am häufigsten verwendete Methode zur Schätzung von Propensity-Scores. Bei diesem Ansatz dient der Behandlungsstatus als abhängige Variable, wobei alle ausgewählten Kovariate als unabhängige Variablen enthalten sind. Die vorhergesagten Wahrscheinlichkeiten aus diesem Modell werden zu den Propensity-Scores.

Im Zusammenhang mit der kausalen Inferenz und der Erhebungsmethodik werden die Neigungswerte (über Methoden wie logistische Regression, zufällige Wälder oder andere) unter Verwendung einiger Kovariaten geschätzt. Während die logistische Regression aufgrund ihrer Einfachheit und Interpretierbarkeit der häufigste Ansatz bleibt, können ausgefeiltere maschinelle Lernmethoden geeignet sein, wenn die Beziehungen zwischen Kovariaten und Behandlung komplex oder nichtlinear sind.

Da der Neigungswert eine Wahrscheinlichkeit ist, reicht er im Wert von 0 bis 1. Teilnehmer mit Werten nahe 0 haben sehr geringe Wahrscheinlichkeiten, eine Behandlung aufgrund ihrer Eigenschaften zu erhalten, während diejenigen mit Werten nahe 1 sehr hohe Wahrscheinlichkeiten haben. In einer perfekt randomisierten Studie hätten alle Teilnehmer Neigungswerte von 0,5, was die gleiche Wahrscheinlichkeit der Zuordnung zu beiden Bedingungen widerspiegelt.

Schritt 3: Matching Teilnehmer

Sobald die Neigungswerte geschätzt sind, müssen die Forscher einen passenden Algorithmus auswählen, um behandelte und unbehandelte Teilnehmer zu paaren.

Nächster Nachbar Matching

Die häufigste ist 1:1 (Paarmatching), bei dem 1 Kontrollteilnehmer mit 1 behandeltem Teilnehmer übereinstimmt, obwohl andere Formen der Übereinstimmung 2:1, 3:1 und viele zu 1 umfassen.

Caliper Matching

Bei der Kaliberabstimmung werden Vergleichseinheiten innerhalb einer bestimmten Breite des Neigungswerts der behandelten Einheiten aufeinander abgestimmt, wobei die Breite im Allgemeinen einen Bruchteil der Standardabweichung des Neigungswerts beträgt. Dieser Ansatz verhindert schlechte Übereinstimmungen, indem ein maximaler akzeptabler Abstand zwischen den Neigungswertwerten eingestellt wird. Es gibt theoretische Argumente für eine Übereinstimmung auf dem Logit des Neigungswerts, da diese Größe wahrscheinlicher normal verteilt ist, und für die Verwendung einer Sattelbreite, die ein Anteil der Standardabweichung des Logits des Neigungswerts ist.

Sonstige Matching-Ansätze

Die Kernel-Abstimmung ist die gleiche wie die Radius-Abstimmung, außer dass Kontrollbeobachtungen als Funktion des Abstands zwischen dem Neigungswert der Behandlungsbeobachtung und dem Neigungswert der Kontrolle-Abstimmung gewichtet werden, wobei die Radius-Abstimmung ein Sonderfall ist, wenn ein einheitlicher Kern verwendet wird.

Bei der vollständigen Abstimmung werden gematchte Sätze gebildet, die entweder aus einem behandelten Subjekt und mindestens einem unbehandelten Subjekt oder einem unbehandelten Subjekt und mindestens einem behandelten Subjekt bestehen, wodurch die Verwendung verfügbarer Daten maximiert wird, während das Gleichgewicht des Neigungs-Scores erhalten bleibt.

Schritt 4: Bewertung der Kovariatenbilanz

Nach dem Abgleich müssen die Forscher überprüfen, ob das Verfahren erfolgreich zwischen Behandlungs- und Kontrollgruppen kovariiert. Es ist wichtig zu überprüfen, ob Kovariate über Behandlungs- und Vergleichsgruppen hinweg innerhalb von Schichten des Neigungs-Scores ausgeglichen sind. Diese Bewertung ist entscheidend, weil ein erfolgreiches Abgleichen systematische Unterschiede in beobachteten Kovariaten zwischen Gruppen beseitigen sollte.

Die Standardisierte Mitteldifferenz (SMD) ist wohl die am häufigsten angenommene Statistik für die Bewertung des Gleichgewichts nach PSM aufgrund seiner Einfachheit in der Berechnung und dem Verständnis. Im Allgemeinen wird ein SMD von weniger als 0,1 oder 0,2 als akzeptabel angesehen, was auf ein gutes Gleichgewicht zwischen den Gruppen hinweist.

Relativ unvoreingenommene Behandlungseffektschätzungen können immer noch erhalten werden, wenn nur in Kovariaten geringfügige Ungleichgewichte bestehen, von denen nicht angenommen wird, dass sie starke Risikofaktoren für das Ergebnis sind, wobei Autoren, Rezensenten und Leser sich auf eine Kombination aus Fachwissen und empirischen Beweisen verlassen müssen, um festzustellen, ob Ungleichgewichte nach der Neigungsbewertung wahrscheinlich erhebliche Verzerrungen verursachen.

Schritt 5: Ergebnisanalyse

Sobald ausgeglichene Gruppen gebildet sind, können Forscher die Ergebnisse analysieren. Der spezifische analytische Ansatz hängt von der Art der Ergebnisvariablen und der Forschungsfrage ab. Für kontinuierliche Ergebnisse können einfache t-Tests oder lineare Regression geeignet sein. Für binäre Ergebnisse können Chi-Quadrat-Tests oder logistische Regression verwendet werden. Für Zeit-zu-Ereignis-Ergebnisse sind Überlebensanalysemethoden wie Cox-Proportional-Gefahren-Modelle geeignet.

Die durchschnittliche Wirkung der Behandlung auf die behandelte (ATT) wird angewendet, um den Interventionseffekt auf Patienten zu bewerten, die die Intervention erhalten haben. Diese Schätzung ist besonders relevant in der psychologischen Forschung, wenn das Ziel darin besteht, die Wirkung einer Intervention bei denen zu verstehen, die sie tatsächlich erhalten haben, anstatt die Auswirkungen für die gesamte Bevölkerung zu schätzen.

Alternative Propensity Score Methoden

Während Matching die am weitesten verbreitete Anwendung von Propensity-Scores ist, gibt es mehrere alternative Methoden, um Propensity-Scores zur Kontrolle von Verwechslungen zu verwenden.

Schichtung oder Unterklassifizierung

Ein üblicher Ansatz ist es, Probanden in fünf gleichgroße Gruppen unter Verwendung der Quintile des geschätzten Propensity-Scores zu teilen, wobei Cochran (1968) zeigt, dass die Schichtung auf den Quintilen einer kontinuierlichen Störvariablen etwa 90% der Verzerrung aufgrund dieser Variable eliminierte Rosenbaum und Rubin (1984) erweiterten dieses Ergebnis zur Schichtung auf dem Propensity-Score, wobei festgestellt wurde, dass die Schichtung auf den Quintilen des Propensity-Scores etwa 90% der Verzerrung aufgrund von gemessenen Störfaktoren eliminiert, wenn ein linearer Behandlungseffekt geschätzt wird.

Die Schichtung bietet mehrere Vorteile gegenüber dem Abgleich. Sie hält alle Teilnehmer an der Analyse fest und vermeidet den Verlust von Daten, der beim Abgleich auftreten kann, wenn keine geeigneten Übereinstimmungen gefunden werden können. Sie bietet auch eine einfache Möglichkeit, zu untersuchen, ob die Behandlungseffekte zwischen den Ebenen des Neigungs-Scores variieren, was wichtige Effekt-Heterogenität aufdecken kann.

Inverse Wahrscheinlichkeit der Behandlung Gewichtung

Die Inverse Proximity of Treatment Weighting (IPTW) verwendet Propensity Scores, um gewichtete Pseudopopulationen zu erzeugen, in denen die Behandlungszuordnung unabhängig von gemessenen Kovariaten ist. Behandelte Teilnehmer werden mit dem Kehrwert ihres Propensity Scores (1/e) gewichtet, während die Kontrollteilnehmer mit dem Kehrwert von eins minus ihrem Propensity Scores (1/(1-e)) gewichtet werden. Dieser Ansatz erzeugt eine gewichtete Probe, die nachahmt, was in einer randomisierten Studie beobachtet würde.

IPTW hat den Vorteil, dass es alle verfügbaren Daten verwendet und die durchschnittlichen Behandlungseffekte der Bevölkerung schätzen kann, kann jedoch empfindlich auf extreme Neigungswerte reagieren, die sehr große Gewichte und instabile Schätzungen erzeugen können.

Kovariate Anpassung mit Propensity Scores

Propensity-Scores können auch als Kovariate in Regressionsmodelle aufgenommen werden, die Ergebnisse vorhersagen. Dieser Ansatz kombiniert die Vorteile von Propensity-Score-Methoden mit der traditionellen Regressionsanpassung. Indem der Propensity-Score in das Ergebnismodell aufgenommen wird, können Forscher für alle Kovariate, die zur Schätzung des Propensity-Scores verwendet werden, durch eine einzige Variable steuern, was die Effizienz und Stabilität des Modells potenziell verbessern kann.

Vorteile des Propensity Score Matching in der psychologischen Forschung

PSM bietet zahlreiche Vorteile, die es besonders für psychologische Forscher, die mit Beobachtungsdaten arbeiten, wertvoll machen.

Reduziert Auswahl Bias und Confounding

PSM reduziert die Störeinflüsse signifikant, indem es die Kovariate zwischen Behandlungs- und Kontrollgruppen ausgleicht, wobei Störeinflüsse auftreten, wenn externe Variablen sowohl die Behandlung als auch das Ergebnis beeinflussen und die Ergebnisse verzerren. Durch die Schaffung von Gruppen, die bei allen gemessenen Basismerkmalen ähnlich sind, hilft PSM, die wahre Wirkung der Behandlung oder Intervention vom Einfluss von Störvariablen zu isolieren.

Verbessert die Gültigkeit und die ursächliche Inferenz

PSM-Crafts haben Datensätze abgeglichen, einige Attribute randomisierter Designs nachgeahmt, aus Beobachtungsdaten, und in einem gültigen PSM-Design, in dem alle Basis-Confounder gemessen und abgeglichen werden, wären die Confounder ausgeglichen, so dass der Behandlungsstatus so betrachtet werden kann, als ob er zufällig zugewiesen wäre. Diese Annäherung der Randomisierung stärkt die Grundlage für kausale Inferenz, so dass Forscher sicherere Behauptungen über Behandlungseffekte machen können.

Transparenz im Forschungsdesign

Im Gegensatz zu herkömmlichen Regressionsansätzen, bei denen der Prozess des Controllings für Confounding in das Outcome-Modell eingebettet ist, trennt PSM die Designphase (Erstellung ausgeglichener Gruppen) von der Analysephase (Abschätzung von Behandlungseffekten). Diese Trennung erleichtert es Forschern, Rezensenten und Lesern, zu beurteilen, ob eine ausreichende Kontrolle für Confounding erreicht wurde.

Nutzt vorhandene Daten effizient

Obwohl randomisierte kontrollierte Studien der Goldstandardansatz sind, um Beziehungen zwischen einer Intervention und Ergebnissen zu identifizieren, bleiben Beobachtungsstudien von unschätzbarem Wert, da sie eine erhöhte Studienleistung und -effizienz, geringere Kosten und einzigartige Beziehungen ermöglichen, die ansonsten nicht machbar oder unethisch wären. PSM ermöglicht es Forschern, kausale Erkenntnisse aus vorhandenen Datensätzen zu extrahieren, einschließlich elektronischer Gesundheitsakten, Verwaltungsdatenbanken und Archivforschungsdaten, ohne die für RCTs erforderlichen erheblichen Zeit- und Ressourceninvestitionen.

Behandelt mehrere Confounder gleichzeitig

Im Vergleich zu herkömmlichen exakten oder harten Übereinstimmungen bietet PSM einen größeren Vorteil in Bezug auf Effizienz und Kontrolle der Verzerrung in Studien, in denen es viele Variablen zu berücksichtigen gibt. Anstatt zu versuchen, jede Kovariate einzeln zu vergleichen - was mit mehr als wenigen Variablen praktisch unmöglich wird - kondensiert PSM alle kovariaten Informationen zu einer einzigen Punktzahl, wodurch eine hochdimensionale Übereinstimmung möglich wird.

Identifiziert Regionen der gemeinsamen Unterstützung

Propensity-Score-Methoden ermöglichen es dem Forscher, Patienten zu identifizieren, die niemals behandelt oder unbehandelt werden, wobei diese Patienten keine Informationen über Behandlungseffekte liefern, ohne Modellannahmen zu treffen, die, wenn sie falsch sind, Verzerrungen einführen könnten. Durch die Untersuchung der Überlappung der Propensity-Score-Verteilungen zwischen behandelten und Kontrollgruppen können Forscher den Bereich der Kovariatenwerte identifizieren, für die gültige Vergleiche vorgenommen werden können, was die Glaubwürdigkeit von kausalen Behauptungen verbessert.

Anwendungen von PSM in der psychologischen Forschung

Propensity Score Matching wurde erfolgreich in verschiedenen Bereichen der psychologischen Forschung angewendet und zeigt seine Vielseitigkeit und seinen Wert.

Klinische Psychologie und Wirksamkeit der Behandlung

Beispiele für die neuere Verwendung dieser Methoden sind die Bewertung der Auswirkungen der Kindergarten-Retention auf die sozial-emotionale Entwicklung von Kindern, die Wirksamkeit der Anonymen Alkoholiker, die Auswirkungen der kleinen Schulgröße auf die mathematische Leistung und die Wirkung des Alkoholkonsums bei Jugendlichen auf das Bildungsniveau.

Zum Beispiel könnten Forscher PSM verwenden, um die Ergebnisse zwischen Patienten zu vergleichen, die eine kognitive Verhaltenstherapie erhielten, und Patienten, die eine psychodynamische Therapie in naturalistischen Behandlungsumgebungen erhielten.

Entwicklungspsychologie

In der Entwicklungspsychologie kann PSM Forschern helfen, die Auswirkungen von frühen Erfahrungen, Bildungsinterventionen oder Umwelteinflüssen auf die Entwicklung von Kindern zu verstehen. Zum Beispiel könnten Forscher die Auswirkungen von frühkindlichen Bildungsprogrammen auf spätere akademische Leistungen untersuchen, indem sie Kinder, die solche Programme besuchten, mit ähnlichen Kindern zusammenbringen, die nicht auf dem sozioökonomischen Status der Familie, der elterlichen Bildung, der häuslichen Umgebung und den Kindermerkmalen basieren.

Sozial- und Gemeinschaftspsychologie

PSM ist wertvoll für die Bewertung von community-basierten Interventionen und sozialen Programmen, bei denen die Randomisierung unpraktisch oder unethisch sein kann. Forscher können PSM verwenden, um die Auswirkungen von Community-Programmen für psychische Gesundheit, Peer-Support-Interventionen oder politischen Änderungen auf psychologische Ergebnisse zu bewerten, um Unterschiede in den Community-Merkmalen, der Teilnehmerdemografie und der Grundfunktion zu kontrollieren.

Gesundheitspsychologie

In der Gesundheitspsychologie kann PSM angewendet werden, um die psychologischen Auswirkungen von medizinischen Behandlungen, Gesundheitsverhalten oder Krankheitszuständen zu untersuchen. Zum Beispiel könnten Forscher die psychologischen Auswirkungen einer chronischen Krankheitsdiagnose, die Auswirkungen von Gesundheitsförderungsmaßnahmen auf die psychischen Gesundheitsergebnisse oder die Beziehung zwischen Gesundheitsverhalten und psychologischem Wohlbefinden untersuchen, indem sie PSM verwenden, um Störfaktoren zu kontrollieren.

Kritische Einschränkungen und Überlegungen

Während PSM ein leistungsfähiges Werkzeug ist, müssen die Forscher seine Grenzen und möglichen Fallstricke verstehen, um es angemessen zu nutzen und die Ergebnisse richtig zu interpretieren.

Das Problem des ungemessenen Confounding

Nicht erfasste oder nicht gemessene Störfaktoren können den Behandlungseffekt beeinflussen und sollten als Einschränkungen vermerkt werden. Dies stellt die grundlegendste Einschränkung von PSM und allen Beobachtungsmethoden dar. Die Gültigkeit von PS- und multivariablen Ergebnismodellen erfordert die starke Annahme, dass alle Störfaktoren genau gemessen werden und das Expositions- oder Ergebnismodell ordnungsgemäß spezifiziert wird.

PSM kann nur beobachtete Kovariaten ausgleichen; es kann keine Variablen berücksichtigen, die nicht gemessen oder in das Propensity-Score-Modell einbezogen wurden. Wenn wichtige Störfaktoren nicht gemessen werden, bleibt die Verzerrung in den Schätzungen des Behandlungseffekts auch nach dem Abgleich bestehen. Diese Einschränkung unterstreicht die Bedeutung einer sorgfältigen Variablenauswahl auf der Grundlage des theoretischen Verständnisses und der vorherigen Forschung.

Unbeobachtete Störfaktoren, die Variablen sind, die sowohl die Behandlung als auch das Ergebnis beeinflussen, aber nicht in den Datensatz einbezogen sind, stellen eine große Herausforderung bei PSM dar, da diese Störfaktoren den geschätzten Behandlungseffekt beeinflussen können.

Das PSM-Paradoxon

Jüngste Forschung hat wichtige Bedenken bezüglich der PSM-Implementierung identifiziert. Jüngste Forschung hat eine andere Facette von PSM enthüllt, die als "das PSM-Paradoxon" bezeichnet wird, bei dem PSM sich dem genauen Abgleich nähert, indem es die angepassten Mengen schrittweise in der Reihenfolge der abnehmenden Neigungspunktdistanz beschneidet, kann es paradoxerweise zu einem größeren kovariaten Ungleichgewicht, einer erhöhten Modellabhängigkeit und einer erhöhten Verzerrung führen, im Gegensatz zu seinem beabsichtigten Zweck.

Dieses Paradoxon unterstreicht die Bedeutung der sorgfältigen Auswahl von Matching-Algorithmen und Messlattenbreiten. Eine zu restriktive Matching-Methode, die zu viele Beobachtungen verwirft, kann das Gleichgewicht verschlechtern und die Verzerrung erhöhen. Forscher sollten die Gleichgewichtsdiagnostik sorgfältig untersuchen und alternative Methoden für den Neigungsfaktor in Betracht ziehen, wenn die Matching-Methoden schlechte Ergebnisse liefern.

Anforderungen an die Stichprobengröße und Datenverlust

PSM erfordert oft, dass erhebliche Stichprobengrößen effektiv sind. Wird kein Matching mit Ersatz verwendet, werden unübereinstimmungsfreie Teilnehmer von der Analyse ausgeschlossen, was zu einem erheblichen Datenverlust führen kann. Die unübereinstimmungsfreien Probanden werden aus der Analyse verworfen. Dieser Datenverlust verringert die statistische Aussagekraft und kann die Generalisierbarkeit der Ergebnisse einschränken, wenn die übereinstimmenden Proben systematisch von der ursprünglichen Population abweichen.

Bei der Durchführung des Propensity-Score-Matchings gibt es häufig eine Gruppe behandelter Patienten, die aufgrund der extrem hohen Propensity-Score-Werte (allgemein als nicht überlappende "Schwänze" der Propensity-Score-Verteilung bezeichnet) kein Gegenstück unter der unbehandelten Bevölkerung beobachtet haben.

Für gültige Schlussfolgerungen erforderliche Annahmen

Bedingte Unabhängigkeit, auch bekannt als die "starke, nicht nachweisbare Behandlungszuordnung", besagt, dass die Ergebnisse und die erhaltene Behandlung nach der Berücksichtigung von Kovariaten unabhängig sind, wobei diese Annahme in der Regel in einer RCT erfüllt wird, da die zufällige Zuordnung alle Kovariate zwischen den Behandlungsbedingungen ausgleichen sollte.

Die allgemeine Annahme der Unterstützung oder Überlappung erfordert eine ausreichende Überlappung der Verteilung der Neigungswerte zwischen behandelten und Kontrollgruppen, ohne ausreichende Überlappung werden Vergleiche zu Extrapolationen und nicht zu direkten Vergleichen, was die Gültigkeit kausaler Schlussfolgerungen untergräbt.

Modellabhängigkeit und Spezifikationsprobleme

Die Validität der PSM-Ergebnisse hängt von der korrekten Spezifikation des Neigungsscore-Modells ab. Fehlspezifikationen – wie das Weglassen wichtiger Wechselwirkungen oder nichtlinearer Begriffe – können zu einem unzureichenden Gleichgewicht und verzerrten Schätzungen des Behandlungseffekts führen. Die Forscher sollten funktionelle Formen und Spezifikationen des Testmodells sorgfältig prüfen, um sicherzustellen, dass ein angemessenes Gleichgewicht erreicht wird.

Best Practices und Empfehlungen

Um den Wert von PSM in der psychologischen Forschung zu maximieren, sollten Forscher etablierte Best Practices während des gesamten Forschungsprozesses befolgen.

Umfassende Datenerhebung

Stellen Sie sicher, dass Sie umfassende und qualitativ hochwertige Daten zu allen relevanten Kovariaten sammeln, die sowohl die Behandlungszuweisung als auch das Ergebnis beeinflussen könnten, da fehlende oder ungenaue Daten zu voreingenommenen Neigungswerten und unzuverlässigen Übereinstimmungen führen können. Investieren Sie Zeit in die Identifizierung und Messung potenzieller Störfaktoren vor Beginn der Analyse. Ziehen Sie in Betracht, validierte Instrumente und mehrere Datenquellen zu verwenden, um wichtige Kovariate umfassend zu erfassen.

Theoriegesteuerte Variable Selection

Kovariatenauswahl auf Basis theoretischen Verständnisses und früherer Forschung und nicht rein empirischer Kriterien; Variablen einschließen, von denen bekannt ist oder vermutet wird, dass sie sowohl die Auswahl der Behandlung als auch die Ergebnisse beeinflussen; die Einbeziehung instrumenteller Variablen (Variablen, die die Behandlung beeinflussen, aber keine Ergebnisse) oder Collider (Variablen, die sowohl von der Behandlung als auch von den Ergebnissen betroffen sind) vermeiden, da diese Verzerrungen hervorrufen können.

Gründliche Bilanzbewertung

Bewerten und melden Sie immer die Kovariatenbilanz vor und nach dem Abgleich. Verwenden Sie standardisierte Mittelwerte, um das Gleichgewicht zwischen allen Kovariaten zu bewerten. Wenn nach dem Abgleich erhebliche Ungleichgewichte bestehen bleiben, sollten Sie das Propensity-Score-Modell verfeinern, verschiedene Abgleichalgorithmen ausprobieren oder alternative Propensity-Score-Methoden verwenden.

Sensitivitätsanalysen

Forscher sollten die Sensitivität der Ergebnisse gegenüber Veränderungen des epidemiologischen Designs und der Spezifikationen der statistischen Modelle untersuchen und berichten, wobei die Ergebnisse gegenüber solchen Änderungen stärker robust sind und die Möglichkeit belegen, dass die Schätzungen tatsächlich echte Kausalzusammenhänge widerspiegeln.

Transparente Berichterstattung

Die kritischen Schritte in PSM sind die Auswahl der richtigen Confounder, die Erstellung von Propensity-Scores, das Matching und die Bewertung für richtig ausgewogene Gruppen, wobei der Abschluss dieser Schritte es ermöglicht, die Ergebnisse der Behandlung zuzuordnen, und nicht aus verwirrenden Variablen.

Software und Implementierungstools

Mehrere statistische Softwarepakete bieten Werkzeuge für die Implementierung von PSM, wodurch die Technik Forschern mit unterschiedlichem statistischem Fachwissen zugänglich gemacht wird.

R Programmiersprache

R bietet eine Anpassung der Neigungspunkte als Teil des MatchIt-, Optmatch- oder anderer Pakete an. In R ermöglichen die Pakete Matching, Matchlt und Optmatch die Implementierung einer Vielzahl verschiedener Matching-Methoden. Diese Pakete bieten flexible Implementierungen verschiedener Matching-Algorithmen, Balance-Assessment-Tools und Visualisierungsmöglichkeiten.

SAS

Das PSMatch-Verfahren und Makro OneToManyMTCH stimmen Beobachtungen auf der Grundlage eines Neigungs-Scores in SAS ab. SAS bietet umfassende Dokumentation und Beispiele für die Implementierung von PSM in verschiedenen Forschungskontexten.

Stata

Mehrere Befehle implementieren den Propensity Score Matching in Stata, einschließlich des benutzergeschriebenen psmatch2, wobei Stata Version 13 und später auch die eingebauten Befehlseffekte psmatch anbietet.

SPSS

Ein Dialogfeld für Propensity Score Matching ist im IBM SPSS Statistics-Menü verfügbar (Data/Propensity Score Matching) und ermöglicht es dem Benutzer, die Übereinstimmungstoleranz einzustellen und Fälle zu randomisieren. Für Forscher, die mit Point-and-Click-Schnittstellen vertrauter sind, bietet SPSS einen zugänglichen Einstiegspunkt zu PSM-Methoden.

Zukünftige Richtungen und aufkommende Entwicklungen

Das Feld der Propensity-Score-Methoden entwickelt sich weiter, wobei die laufenden methodischen Entwicklungen Einschränkungen und erweiterte Anwendungen betreffen.

Machine Learning Ansätze

Forscher erforschen zunehmend maschinelle Lernmethoden zur Schätzung von Neigungswerten, einschließlich zufälliger Wälder, neuronaler Netze und Ensemble-Methoden. Diese Ansätze können komplexe, nichtlineare Beziehungen zwischen Kovariaten und Behandlungszuweisung besser erfassen, was möglicherweise das Gleichgewicht verbessern und die Verzerrung reduzieren kann.

Hochdimensionale Neigungspunkte

Hochdimensionale Propensity-Score-Methoden verwenden automatisierte Algorithmen, um relevante Kovariate aus großen Mengen potenzieller Störfaktoren zu identifizieren, insbesondere wenn sie mit elektronischen Gesundheitsakten oder Verwaltungsdatenbanken mit Hunderten oder Tausenden von Variablen arbeiten.

Integration mit anderen ursächlichen Inferenzmethoden

Die Forscher entwickeln hybride Ansätze, die Propensity-Score-Methoden mit anderen Kausalinferenztechniken kombinieren, wie z. B. instrumentelle Variablen, Regressionsdiskontinuitätsdesigns oder Differenz-in-Differenzen-Methoden.

Verbesserte Sensitivitätsanalyse-Tools

Neue Methoden zur Bewertung der Empfindlichkeit gegenüber ungemessenen Verfälschungen werden entwickelt, die den Forschern bessere Werkzeuge zur Bewertung der Robustheit ihrer Ergebnisse bieten, die helfen zu quantifizieren, wie stark ungemessene Verfälschungen sein müssten, um die Studienschlussfolgerungen zu kippen, was einen wichtigen Kontext für die Interpretation der Ergebnisse darstellt.

Praktisches Beispiel: Bewertung einer Achtsamkeitsintervention

Um die Umsetzung von PSM zu veranschaulichen, sollten Sie eine hypothetische Studie in Betracht ziehen, in der die Wirksamkeit eines Achtsamkeits-basierten Programms zur Stressreduktion (MBSR) zur Verringerung von Angstsymptomen bewertet wird. Forscher haben Zugang zu Daten aus einem Community Mental Health Center, in dem einige Kunden an MBSR teilnahmen, während andere wie gewohnt behandelt wurden.

Schritt 1: Variable Auswahl - Basierend auf Theorie und früheren Forschungen identifizieren die Forscher relevante Kovariate: Grundangstschwere, Alter, Geschlecht, Bildungsniveau, Beschäftigungsstatus, vorherige psychische Gesundheitsbehandlung, komorbide Depression, soziale Unterstützung und Motivation für die Behandlung.

Schritt 2: Propensity Score Estimation - Ein logistisches Regressionsmodell wird mit MBSR-Beteiligung als Ergebnis und allen Kovariaten als Prädiktoren geschätzt.

Schritt 3: Matching - Forscher verwenden 1:1 Übereinstimmung mit dem nächstgelegenen Nachbarn mit einem Messschieber von 0,2 Standardabweichungen des Logit-Propensity-Score. Jeder MBSR-Teilnehmer wird mit einem Behandlungs-als-üblichen Teilnehmer mit dem ähnlichsten Neigungs-Score innerhalb des Messschiebers verglichen.

Schritt 4: Bilanzbewertung - Standardisierte Mitteldifferenzen werden für alle Kovariate vor und nach dem Matching berechnet. Vor dem Matching zeigen mehrere Kovariate ein erhebliches Ungleichgewicht (SMD > 0.2).

Schritt 5: Ergebnisanalyse - Mit der übereinstimmenden Stichprobe vergleichen die Forscher die Veränderungen der Angstsymptome zwischen Gruppen mit gepaarten T-Tests und linearer Regression und stellen fest, dass MBSR-Teilnehmer eine signifikant größere Angstreduktion zeigen als übereinstimmende Kontrollen.

Sensitivitätsanalyse - Forscher führen Sensitivitätsanalysen durch, in denen untersucht wird, wie sich die Ergebnisse mit verschiedenen Matching-Algorithmen ändern, und wie stark ungemessene Verfälschungen sein müssten, um den beobachteten Effekt zu eliminieren.

Vergleich von PSM mit alternativen Methoden

Zu verstehen, wie PSM mit anderen Ansätzen zur Kontrolle von Verwechslungen verglichen wird, hilft Forschern, die am besten geeignete Methode für ihren Forschungskontext auszuwählen.

PSM versus traditionelle Regression

PS-Methoden bieten mehrere Vorteile gegenüber multivariablen Outcome-Modellen, die es dem Forscher zunächst ermöglichen, Patienten zu identifizieren, die niemals behandelt oder unbehandelt werden, wobei diese Patienten keine Informationen über Behandlungseffekte liefern, ohne Modellannahmen zu treffen. PSM macht den Bereich der gemeinsamen Unterstützung explizit, während Regression über die Daten hinaus extrapolieren kann.

PSM versus Instrumentalvariablen

Instrumentale variable Methoden können ungemessene Verfälschungen adressieren, wenn ein gültiges Instrument existiert – eine Variable, die die Behandlung beeinflusst, aber keine Ergebnisse, außer durch die Behandlung.

PSM versus Differenz-in-Differenzen

Methoden zur Differenzdifferenz vergleichen Veränderungen im Zeitverlauf zwischen behandelten und Kontrollgruppen, wobei zeitinvariante Verwechslungen berücksichtigt werden. Dieser Ansatz kann einige nicht gemessene Verwechslungen berücksichtigen, erfordert jedoch Längsschnittdaten und parallele Annahmen zu Trends. PSM kann mit Differenzdifferenzen kombiniert werden, um zusätzliche Robustheit zu erzielen.

Ethische Überlegungen bei der Verwendung von PSM

Während PSM eine statistische Technik ist, wirft seine Verwendung wichtige ethische Überlegungen auf, die Forscher angehen sollten.

Transparenz und Ehrlichkeit

Forscher sind ethisch verpflichtet, PSM-Methoden und -Ergebnisse ehrlich und vollständig zu melden. Dazu gehören die Anerkennung von Einschränkungen, die Berichterstattung über die Bilanzdiagnose und die Diskussion über mögliche ungemessene Verfälschungen. Selektive Berichterstattung oder P-Hacking durch wiederholtes Matching mit unterschiedlichen Spezifikationen untergräbt die wissenschaftliche Integrität.

Angemessene Angaben

Selbst bei sorgfältiger PSM-Implementierung können Beobachtungsstudien die Ursache nicht endgültig feststellen. Forscher sollten entsprechend vorsichtige Behauptungen machen und anerkennen, dass ungemessene Verwechslungen bestehen bleiben können und dass die Ergebnisse repliziert werden sollten. Übertreibende kausale Schlussfolgerungen können Praktiker und politische Entscheidungsträger irreführen.

Berücksichtigung ausgeschlossener Teilnehmer

Wenn die Teilnehmer bei der Abstimmung ausgeschlossen werden, sollten die Forscher prüfen, ob sich dies auf die Generalisierbarkeit und die Gerechtigkeit der Ergebnisse auswirkt.

Schlussfolgerung

PSM bietet eine effektive Methode zur Kontrolle von Bias in retrospektiven Studien. Für Psychologen, die Beobachtungsforschung betreiben, stellt der Abgleich von Neigungswerten eine wertvolle Ergänzung des methodischen Toolkits dar. Durch die systematische Behandlung von Störfaktoren durch sorgfältige Abstimmung der Teilnehmer auf der Grundlage ihrer Behandlungswahrscheinlichkeit können Forscher kausale Rückschlüsse stärken und zuverlässigere Erkenntnisse aus nicht-experimentellen Daten gewinnen.

Der stärkere Einsatz dieser Methoden in der angewandten psychologischen und Verhaltensforschung wird gefördert. Da die psychologische Forschung zunehmend große Beobachtungsdatensätze nutzt - von elektronischen Gesundheitsakten über Social-Media-Daten bis hin zu Verwaltungsakten - wird die Bedeutung strenger Methoden zur Kontrolle von Verwechslungen nur noch zunehmen. PSM bietet einen transparenten, intuitiven Ansatz, der Forschern helfen kann, die Herausforderungen der Beobachtungsforschung zu meistern und gleichzeitig die wissenschaftliche Strenge beizubehalten.

PSM ist jedoch kein Allheilmittel, es kann nicht die grundlegenden Einschränkungen der Beobachtungsdaten überwinden, insbesondere die Unfähigkeit, nicht gemessene Verfälschungen zu kontrollieren. Die Forscher müssen PSM sorgfältig anwenden, mit sorgfältiger Aufmerksamkeit auf die Variable Selektion, die Bilanzbewertung und die Sensitivitätsanalyse. Bei geeigneter Anwendung und transparenter Berichterstattung kann PSM die Qualität und Glaubwürdigkeit der beobachtenden psychologischen Forschung erheblich verbessern.

Die weitere Entwicklung von Methoden zur Neigungsbewertung, einschließlich Ansätzen für maschinelles Lernen und verbesserten Sensitivitätsanalysen, verspricht, die Fähigkeit der Forscher, gültige kausale Rückschlüsse aus Beobachtungsdaten zu ziehen, weiter zu verbessern. Da sich diese Methoden weiterentwickeln, sollten psychologische Forscher über methodische Fortschritte und bewährte Verfahren informiert bleiben, um sicherzustellen, dass die Beobachtungsforschung einen wichtigen Beitrag zu unserem Verständnis des menschlichen Verhaltens und der mentalen Prozesse leistet.

Letztendlich liegt der Wert von PSM nicht nur in seinen statistischen Eigenschaften, sondern auch in seiner Fähigkeit, den Forschungsprozess transparenter und die zugrunde liegenden Annahmen der Kausalansprüche expliziter zu machen. Durch die klare Trennung der Designphase von der Analysephase und die zentrale Ausrichtung der Bilanzbewertung im Forschungsprozess fördert PSM ein sorgfältigeres Nachdenken über verwirrende und ehrlichere Kommunikation über die Stärken und Grenzen der Beobachtungsforschung.

Zusätzliche Mittel

Für Forscher, die mehr über die Anpassung von Neigungswerten erfahren und diese in ihre eigene Forschung umsetzen möchten, stehen zahlreiche Ressourcen zur Verfügung. Die National Institutes of Health bietet umfassende Tutorials und Beispiele. Professionelle Organisationen wie die American Psychological Association bieten Workshops und Weiterbildung zu fortgeschrittenen statistischen Methoden einschließlich PSM an. Statistische Softwaredokumentation von R, Stata und SAS bietet detaillierte Implementierungsleitfäden und Beispiele für jede Plattform.

Indem sie Zeit in das Verständnis von Methoden für die Neigungsbewertung investieren und sie rigoros anwenden, können psychologische Forscher die Qualität und die Auswirkungen ihrer Beobachtungsforschung verbessern und zu einer robusteren Evidenzbasis für das Verständnis menschlichen Verhaltens und die Verbesserung psychologischer Interventionen beitragen.